birdsong-recognizer · 音视频鸟鸣种类识别

通过康奈尔实验室的 BirdNET v2.4 声学模型，从音频或视频中识别鸟叫声对应的鸟种。

💰 省 token 提示（给执行 Agent）：识别本身（神经网络推理）在本地脚本完成、零 token。 token 主要花在 Agent 读取长输出并二次加工。默认请加 --report 参数，让脚本直接 输出成品结论，Agent 几乎只需转述，单次成本可降一个数量级。仅当用户要求深度分析 （逐段明细、调试）时才用非 report 模式。

⚠️ 首次使用必读（给执行 Agent 的强制前置） 本技能需要一个独立 Python 环境 + 联网下载约 50MB 模型，不是开箱即用的纯脚本技能。 在第一次运行 infer.py / spectro.py 之前，Agent 必须先完成下方「Setup」一次性安装； 安装通常需 1–3 分钟（装 tensorflow 等依赖）。请直接执行，不要询问用户是否安装。 后续调用若检测到 venv 已存在则跳过安装。

When to use

• 用户给出音频/视频文件并问"这是什么鸟 / 识别鸟叫 / 音视频鸟鸣识别 / what bird is this"。
• 通常会附带地点（如"北京昌平"），用于地理校正。

Setup（首次，任意机器，一次性）

本技能依赖一个独立 Python 环境。Agent 首次调用前自动执行，无需征求用户同意。

先判断 venv 是否已就绪（幂等）：

SKILL_DIR="$(dirname "$(realpath SKILL.md)")"   # 或技能实际所在目录
VENV="$SKILL_DIR/.venv"
if [ -x "$VENV/bin/python" ] && "$VENV/bin/python" -c "import birdnet, soundfile, imageio_ffmpeg" 2>/dev/null; then
  echo "环境已就绪，跳过安装"
else
  bash "$SKILL_DIR/scripts/setup.sh"            # 自动创建 venv 并装好依赖（1–3 分钟）
fi

手动等价方式：

python3 -m venv .venv
.venv/bin/pip install -r scripts/requirements.txt

依赖：birdnet（含 tensorflow/scipy/soundfile/pandas）、imageio-ffmpeg（自带静态 ffmpeg，无需系统安装）、matplotlib、requests（v1.4.1 起 calibrate_weights.py / xc_download.py 需要，已加入 requirements.txt 显式声明，此前只是 tensorflow 间接依赖带进来的，未来 tensorflow 版本变化可能导致其消失，故显式声明）。

网络要求：首次运行 infer.py 会从网络下载 BirdNET 模型（约 50MB）到 BIRDNET_APP_DATA 目录。离线环境请提前准备好该目录。识别/批量推理本身（infer.py / batch.py）全程零网络依赖；calibrate_weights.py（GBIF 校准）与 xc_download.py（Xeno-canto 下载）是独立的离线辅助工具，仅在主动调用时才联网，不影响识别流程的离线特性。

Steps

1. 确定 Python 解释器：使用上面 setup 出的 venv，例如 VENV=.venv，解释器 $VENV/bin/python。

2. 设定数据目录（避免某些系统对默认目录无写权限）：

   export BIRDNET_APP_DATA="$PWD/birdnet_data"
   

   首次运行 infer.py 会自动把模型下载到这里（约 50MB），含 acoustic-models/v2.4/tf/model-fp32.tflite 与中文标签 labels/zh.txt（格式 学名_中文名，6522 种）。

3. 直接对音频或视频运行识别（脚本自动抽音轨、无硬编码路径）：

   $VENV/bin/python scripts/infer.py INPUT.mp4 --region cn --lang zh --keep-audio out.wav
   

   • 支持 mp4/mov/mkv/avi/webm 等视频与 wav/mp3/m4a/flac 等音频。
   • --region cn 启用中国地理/物候动态权重表（scripts/data/region_weights.csv）做地理校正； --region none 关闭过滤。v1.4.0 起不再是硬性白名单——每个属有一个 [0,1] 权重， 未登记的属给低权重压制（而非直接剔除），保留极小概率真实迷鸟被看到的机会。
   • --month 1-12：传入录制月份可触发候鸟季节性权重折扣（如夏候鸟在冬季出现会被打折）。 建议尽量传入，能进一步压制候鸟在非活跃季节的误判。
   • --bandpass none（或 300,9000）：识别夜鹰/鸮/鸠鸽等低频鸟时关闭/放宽带通。
   • --rhythm：开启节律/颤音检测（见下，补 BirdNET 盲区）。
   • --silence-rms：静音过滤阈值，默认自适应（取各段 RMS 中位数 ×0.35）。
   • --report：省 token 首选。脚本内部完成属级归并+置信度分级+节律提示， 直接输出一段成品结论（自动隐含开启地理过滤与节律检测）。Agent 拿到即终稿， 无需读长输出二次加工，token 消耗最低。日常识别/批量强烈建议加此参数。
   • 不加 --report 时输出：全量 Top-N、加权后 Top-N、逐段明细（供深度分析用，较耗 token）。

   省 token 标准用法（推荐默认这样跑）：

   $VENV/bin/python scripts/infer.py INPUT.m4a --region cn --bandpass none --report
   

4. 生成语谱图核验：

   $VENV/bin/python scripts/spectro.py INPUT.mp4 spectrogram.png
   

   读图核对鸣声的频段与音节结构是否与模型猜测一致（鸟鸣多在 2–8kHz）。

5. 节律/颤音检测（BirdNET 盲区补充）：对夜行性/连续发声的鸟，加 --rhythm：

   $VENV/bin/python scripts/infer.py INPUT.m4a --region cn --bandpass none --rhythm
   

   它用「带通→希尔伯特包络→自相关」找持续稳定的脉冲节律，输出疑似时间段

   • 脉冲率 + 候选类群提示。定位明确：专攻 BirdNET 对连续发声的盲区 （夜鹰 churring、啄木鸟敲击、部分鸮的连续鸣叫），仅给线索不定种，须人工复核。 它无法做声源分离，重叠声源时可能受前景强声（如鹰鹃纯音）干扰。

6. 地理校正：BirdNET 训练数据偏向常见/南方种。把 Top 物种与该地点/季节实际分布交叉核对；属级置信通常很高，种级给"最可能"判断并指明本地常见种。

7. 呈现结论：用 present_files 展示 spectrogram.png 与音频，结论用 show_widget 或文字给出。

8. 批量场景（一个文件夹几十~上千条录音，如声纹监测设备连续采样数据）：不要循环调用 infer.py——每次调用都要重新加载 TensorFlow + 模型（约1.3-2秒固定开销/次），文件数一多耗时会线性放大。改用 scripts/batch.py，只加载一次模型，逐文件复用同一个 Interpreter：

   $VENV/bin/python scripts/batch.py <文件夹> --region cn --month 4 --out results.csv --summary
   

   • 实测 47 秒音频约 0.5-0.6 秒/条（1008 条 4GB 数据约 9-10 分钟跑完）。
   • 自动按文件名解析时间（识别 ..._YYYYMMDD_HHMMSS... 模式，如声纹监测设备的标准命名）。
   • v1.4.0 起输出标准化预筛报告格式：CSV 新增 priority_tier 字段（high/medium/ rhythm_only/low/corrupted），可直接对接人工标注任务分发——不用再让标注员盲选文件， 按这个字段排队即可（high优先建库确认，rhythm_only提示标注员优先用耳听而非只信模型分数， low可降低优先级，corrupted直接反馈给采集方不进队列）。
   • --summary：额外输出 .summary.csv，按小时聚合各优先级占比，一眼看出"哪几个小时段 值得优先人工标注"（如晨昏鸣叫高峰 vs 夜间大概率环境噪声）。
   • geo_mismatch_flag：全量最高分≥0.5 但加权后最高分<0.15 且该物种所属属为低权重， 即"模型给高分但地理不合理"信号，值得整体复核该时段/该模式的录音。
   • --pattern 默认 *.WAV（大小写敏感），文件名后缀不同（如 .wav/.mp3）需显式传入。
   • 若一批文件跨多个月份采集，--month 建议按月分批调用，而非传入单一月份笼统处理。
   • v1.4.1 起 CSV 新增 noise_confusable_flag 字段与 needs_spectro_review 优先级分级： 命中 data/noise_confusable_species.csv 里登记的物种时，即使加权后置信度≥0.5，也不会 直接标 high，而是标 needs_spectro_review——这类结果必须先看语谱图人工确认是离散音节 还是无差别环境噪声，确认后才能升级为可信建库记录。

9. 权重表校准（用真实分布数据核对 region_weights.csv 是否准确）：权重表最初是凭经验手写的， 建议定期用 scripts/calibrate_weights.py 核对：

   $VENV/bin/python scripts/calibrate_weights.py --out calibration_report.md
   

   会用 GBIF 免费公开 API（无需 Key，10万次/天额度）查询每个属在中国的真实分布记录数与月份 分布，生成对比报告标出"权重值明显不合理"的条目，供人工审核后手动更新 CSV（不会自动改写）。 务必用全国范围跑（不传 --province）——权重表是 region=cn 全国尺度的配置，用某个省的 数据去校准会把"该省无分布"错误地当成"全国权重该调低"。若要核对具体监测点位周边的物种更 贴近实际，可加 --province Guangdong 单独看一份省级参考报告，但不要拿它去改 CSV。 这一步是纯离线校准工具，不会让 infer.py/batch.py 的推理流程产生任何网络依赖。 9b. 权重表覆盖缺口批量填补（scripts/fill_missing_genera.py，与 calibrate_weights.py 职责不同）： calibrate_weights.py 核对的是"已登记的属，权重值是否准确"；本工具解决的是更根本的问题—— "还有哪些属模型认识、中国确有分布，但权重表完全没登记"。实测发现这才是本技能反复遇到 "换一批新数据又要临时补一个属"的根因：v1.4.2 之前权重表只登记了 96 个属，但 BirdNET v2.4 认识的 1842 个属里，中国有真实 GBIF 分布记录的有 486 个——覆盖率约 20%，缺口 390 个属 （其中 191 个中国记录数≥1000，是明确的常见种，不是冷门边缘案例）。这不是"每次针对特定 物种/特定数据调整"，是通用的结构性覆盖不足，每次新地点的录音都会撞见不同的缺口子集。

   $VENV/bin/python scripts/fill_missing_genera.py --out fill_missing_new_rows.csv
   # 人工审核后追加进权重表：
   cat fill_missing_new_rows.csv >> data/region_weights.csv
   

   • 用 GBIF 全文检索批量查询缺失属的分布记录数，并额外做一层 GBIF Backbone Taxonomy 分类学校验——因为 BirdNET 训练集混入了非鸟类干扰类（青蛙/蟋蟀螽斯/松鼠/Dog/Engine/ Human/Noise 等，用于识别"这不是鸟叫"），必须排除，且不能用英文俗名关键词匹配来排除 （会误杀 Locustella/Batrachostomus/Ammodramus 等真鸟属，它们的俗名或近似词恰好 含 warbler/frogmouth/grasshopper 等误导性词根，实测验证关键词法会产生 12 个假阳性）。
   • 样本量<20条时不采信窄月份范围，退回 all——月份分布在样本不足时不具统计意义， 窄化反而会引入新的季节性误判。
   • v1.4.3 首次运行已把 313 个经双重校验的属并入权重表（96→409），已用 SZYG03 已知案例 做回归测试确认未破坏既有行为。建议模型升级或需要覆盖新地区（如 tw/hk）时重新运行， 保持覆盖率跟得上模型认识的物种范围，而非被动等待新数据撞见缺口再补。 9c. 非鸟类候选提示（data/non_bird_labels.csv，v1.4.4 新增，第四个独立机制）： BirdNET v2.4 的 6522 个标签里混入了 36 个非鸟类"属"（两栖类/昆虫/哺乳类，如青蛙 Lithobates、蟋蟀螽斯 Amblycorypha/Oecanthus、松鼠 Sciurus/Tamias）+ 11 个 特殊类别标签（Dog/Engine/Environmental/Fireworks/Gun/Noise/Siren/Human vocal 等）—— 这是训练集里专门用来教模型识别"这不是鸟叫"的负样本类别，不是缺陷。此前这些标签走的 是和"未登记但确实是鸟类的属"完全相同的兜底逻辑（默认权重 0.05 压制），导致一个真实 问题：若某段录音的非鸟类候选原始置信度很高（如美洲牛蛙 0.9），加权后会跌破结论阈值， 最终静默变成"未识别到可靠鸟种"——用户不知道模型其实识别出了什么；更麻烦的是，若同段 还有一个本身不可靠的低分鸟类候选（如白头翁 0.3），系统会把这个存疑猜测当结论端出来， 反而掩盖了"这其实是青蛙"这个更接近真相的判断。
   • --report 模式现在会检测原始(未加权)分数里置信度>=0.5 的非鸟类候选，并区分两种场景 正面提示：① 无可信鸟类候选时，直接说明"检测到疑似 XX（类别），非鸟类候选"； ② 有鸟类候选但置信度低于非鸟类候选时，在鸟类候选后追加提示"这段声音也可能根本不是 鸟叫"。真实高置信度鸟类候选（>=0.5）不受此机制干扰。
   • batch.py 新增 non_bird_hint 字段与 likely_non_bird 优先级分级——加权后最高分 不构成可信鸟种结论、但原始分数里有高置信度非鸟类候选时打此标记，提示标注员可直接 跳过或标记来源类别，不必按鸟类逐条核实。
   • 这份清单不参与地理权重计算（那是地理归属维度的事），只做提示，与噪声易混淆清单 （反映"声学易混淆"）、地理权重表（反映"地理是否合理"）是三个正交的独立机制。
   • 重要教训（扫描该清单时踩过的坑）：判定"某个属是否为鸟类"必须用 GBIF Backbone Taxonomy 做权威校验，且要检查该属名下所有匹配候选是否存在 class=Aves（ACCEPTED 或 DOUBTFUL），而不是只看第一条模糊匹配结果——否则会把 Buteo(鵟属)/Monticola (矶鸫属)/Chloris(金翅雀属)/Prunella(岩鹨属) 等无争议的真实鸟类误判为植物/真菌/ 昆虫（GBIF 里存在同名的其他生物条目，若不筛选 class 直接取第一条会踩坑）。同理， taxonomicStatus=SYNONYM（过时同义词）不应采信为鸟类判据，只信 ACCEPTED/DOUBTFUL。

10. 补充训练/听音参考样本（Xeno-canto 下载器，与地理校准完全独立的另一条数据源）：

    $VENV/bin/python scripts/xc_download.py --genus Eudynamys --species scolopaceus 
      --area china --key YOUR_KEY --out ./xc_samples --dry-run
    

    • 需要用户自己的 Xeno-canto 个人 API key（无 demo key 可用），Agent 不能代为申请。 引导用户：① 到 https://xeno-canto.org/account 注册 ② 验证邮箱（未验证会 401） ③ 登录后在账号页面复制个人 key。key 通过 --key 参数或环境变量 XC_API_KEY 传入。
    • 每个用户的 key 独立、免费、按各自账号额度计算，与技能作者、其他使用者互不影响； 不需要下载功能时完全不受影响（识别/批量推理不依赖此工具）。
    • 建议先加 --dry-run 只查询元数据不下载音频，确认 key 有效、查询标签正确后再正式下载。
    • 用途：为中期"区域微调/迁移学习"或人工听音核对积累样本，不解决地理误判问题 （那是 calibrate_weights.py 的职责），两者是独立的两条路径。

噪声易混淆物种清单（data/noise_confusable_species.csv）

和地理权重表是两个独立机制，职责不同，不要混用：

• 地理权重表回答"这个物种在这个地区/季节是否合理"，权重值必须基于真实分布数据（GBIF等）， 不能因为"模型容易在噪声上误报这个名字"而压低。
• 噪声易混淆清单回答"这个 label 历史上是否被观测到把环境噪声误判成高置信度"，不改变任何 分数，只在 --report 结论里追加强制人工复核警告。
• 格式：species（学名_中文名，须与 BirdNET 标签格式完全一致）+ reason（说明触发场景与证据）。
• 目前登记的案例：Porzana porzana_斑胸秧雞——SZYG03 红树林点位实测，宽频环境噪声在无地理 过滤时被判定为该种，置信度可达0.9+；该种中国确有分布，不应靠压低地理权重掩盖，只能靠这份 清单提示人工核验语谱图。
• 清单缺失时该功能静默跳过，不影响主流程。

Pitfalls

• 绝不使用高层 model.predict()：它的多进程 producer 在受限/沙箱环境会卡死或 fork 风暴（模块级代码被子进程重复执行）。本技能用 tf.lite.Interpreter 直接推理（见 scripts/infer.py）。
• birdnet 后端名是 tf（不是 tflite）；版本是 2.4（不带 v）。
• 默认数据目录在 ~/Library/Application Support（macOS）等位置，部分环境无写权限 → 务必设置 BIRDNET_APP_DATA 到可写目录。
• BirdNET 输入 = 恰好 144000 个 float32 采样（3s @ 48kHz），shape (1,144000)；输出是 6522 类 logits，需做 sigmoid。
• 剪映/CapCut 等剪辑过的视频经过重编码，置信度常偏低（<0.4）。用重叠窗口 + 聚焦高能量段提高收敛。
• 置信度低 ≠ 无结果：若多段 Top 命中集中在同一属，应报告该属。
• matplotlib 在受限环境对 ~/.matplotlib 可能无写权限 → spectro.py 已自动设 MPLCONFIGDIR 到临时目录；如仍报错可手动 export MPLCONFIGDIR=/tmp/mplcache。
• infer.py 的逐段明细列表元素是 (idx, prob) 元组，取标签时务必解包为 labels[i]（曾因直接用元组索引报 TypeError）。
• 低频鸟类（夜鹰 churring、鸮、鸠鸽、秧鸡等）：默认带通 1500-9000Hz 会削弱其关键低频，且 BirdNET 对夜鹰这类「连续颤音/churring」本就识别弱（训练偏向离散音节）。识别这类鸟时用 --bandpass 300,9000 或 --bandpass none。注意：即便如此夜鹰仍可能识别不出，属模型固有短板，需结合语谱图人工判断。
• 弱信号/静音段误报：BirdNET 会在近乎静音的底噪上给出高分（如把夜间噪声判成「苍鹭」等）。技能已内置自适应静音过滤（--silence-rms 默认负数=自适应），静音段在输出里标 ⚠ 且不计入 Top 榜；仍须结合录制场景人工把关。
• 节律检测的定位：--rhythm 只补「连续发声」盲区（夜鹰churring/啄木鸟敲击/部分鸮），给类群线索而非种级定名；它无法做声源分离，重叠声源（如夜鹰叠在鹰鹃上）时脉冲率会被前景纯音干扰，须结合语谱图与现场聆听确认。脉冲率参考：20-50Hz≈夜鹰churring，3-10Hz≈啄木鸟敲击。
• rhythm/keras 缓存目录：tensorflow/keras 首次运行会写 ~/.keras、~/.matplotlib，受限环境可能被拦截但不影响识别结果；如需消除可设 KERAS_HOME / MPLCONFIGDIR 到临时目录。
• 批量处理性能：infer.py 单次调用固定开销约1.3-2秒（主要是 TensorFlow import + 模型加载），逐文件循环调用会让总耗时随文件数线性放大且大部分是重复开销。文件数>10 时改用 scripts/batch.py，一次加载模型复用，实测提速可达数倍。
• 地理过滤是刚需，不是可选项：实测过一批7天/1008条的真实点位监测数据，--region none 时约28.6%的文件会给出"高置信度但地理不合理"的物种（如把宽频环境噪声/潮汐风声误判成欧洲/古北界物种，置信度可达0.9+），且这类误判高度集中在夜间低信息量时段。批量识别自动入库场景务必开 --region cn（或对应地区权重表），否则会产生系统性的"幽灵物种"记录污染数据。
• v1.4.0 动态权重表 vs 旧版硬白名单：scripts/data/region_weights.csv 定义每个（地区,属）的权重， 推理时用权重去调制原始置信度（乘法），而非硬性剔除不在名单里的候选。若 data/region_weights.csv 缺失（如复制技能目录时遗漏），会自动回退到 infer.py 里 REGION_GENERA 的旧版二元白名单， 不影响可移植性。
• 【重要教训】权重表覆盖不足是通用结构性问题，不是"每次针对特定物种打补丁"：v1.4.2 及以前， 权重表是"实测撞见才补"的被动模式——每次真实录音撞见一个模型认识但表里没登记的属，才去 查证补一条（如奇鹛属 Heterophasia）。这个方法本身没错（保证每条数据可验证、有 GBIF 依据）， 但覆盖率天然滞后：不同地点的录音会撞见完全不同的常见属集合，于是每换一批新数据都像"新问题"， 但机制其实是同一个——未登记的属会被 DEFAULT_UNLISTED_WEIGHT(0.05) 压制，跟它在当地 有多常见无关。核查发现 v1.4.2 时权重表只覆盖了模型认识、且中国有真实分布的属的约 20% （96/486），缺口 390 个，其中 191 个是中国记录数≥1000 的明确常见种。v1.4.3 用 scripts/fill_missing_genera.py 一次性批量核准并补齐 313 个属（96→409），系统性解决 覆盖率问题，而非逐个补丁。以后若继续用特定测试数据撞出新的缺失属，应先怀疑"是否只是 未登记"，而不是默认信任模型或权重表给出的地理过滤结果。
• 【重要教训】地理权重 ≠ 声学混淆黑名单，两者不能共用一个数值：v1.4.0 早期曾把 Porzana （斑胸秧鸡所在属）压到 0.15 权重，理由写的是"该属欧洲种常被模型误判为噪声"——这是把"地理是否 合理"和"声学上是否容易被误判"两件不同的事，混进了同一个数值里。用 GBIF 校准 （scripts/calibrate_weights.py）核实后发现：斑胸秧鸡在中国全国有 1854 条真实分布记录（不是 "境外种"），压低地理权重的做法本身没有依据。修复后权重已改回 1.0，但这样一来"模型确实会把 环境噪声误判成这个物种"的真实问题又失去了压制手段——因此拆分出一个独立的 scripts/data/noise_confusable_species.csv：只登记"哪些 label 历史上出现过噪声误判"， 不改变任何分数（保持地理权重的诚实性），而是在 --report 结论里追加一条强制人工复核警告 （见下方"噪声易混淆物种清单"小节）。以后新增权重表条目时，判断依据必须是"这个物种在这个 地区/季节是否真的可能出现"，不能因为"模型容易在噪声上误报这个名字"而压低地理权重—— 这两个问题要用两个不同的机制分别解决。
• 属级过滤的固有局限（权重表未解决）：权重按"属"而非"种"设置，同属的跨大陆种无法被区分—— 例如中国的四声杜鹃与马达加斯加的 Cuculus rochii 同属 Cuculus，权重表会同等对待，跨大陆种 可能被误判为高分且不受权重压制。这是属级过滤的天花板，下一步升级方向是种级过滤（需要更精细 的地区物种分布数据，如中国观鸟记录中心的分布清单），本次未实现。
• 权重表的月份折扣是粗粒度的：--month 触发的季节性折扣是"活跃月份内 1.0，月份外 ×0.3"的 简单规则，不是连续的物候曲线，对候鸟迁徙前后的过渡期不够精确，够用但不精细。
• GBIF 校准工具（scripts/calibrate_weights.py）的查询方式选型踩坑记录：初版用 species/match 解析属名拿 taxonKey 再查询，属名跨界撞名严重（Pica/Troglodytes/Passer 等鸟类属名恰好和其他生物学名词根撞车），模糊匹配退化到门/界级别导致查询全部落空；改用 species/search 限定 GBIF Backbone Taxonomy 数据集后属名能解析，但发现属级 taxonKey/ genusKey 在部分属上无法自动展开匹配到下属物种的真实记录（如 Cettia fortipes 已被重新 分类到 Horornis 属，taxonKey 查询对不上）；最终改用 q=<属名> 全文检索，不依赖 taxonKey 匹配是否命中分类树，抽样验证过检索结果的 genus 字段 100% 精确匹配。这不是随便选的实现 细节——如果只信任 taxonKey 查询返回的"0条记录"，会把大量真实分布的物种误判为"境外种"， 这正是本次修复前的错误根源。
• 校准报告的地区尺度必须和权重表的适用范围匹配：曾经用广东省范围的 GBIF 数据去校准 region=cn（全国尺度）的权重表，导致像 Nucifraga（星鸦，广东确实无分布但全国有 3905+ 条 记录）这类物种被错误地建议压低权重——省级数据只能验证"该省是否有分布"，不能反过来证明 "全国范围权重该调低"。校准全国权重表时必须用全国范围数据（不传 --province），省级数据 只用于核对具体监测点位的合理性，不应用来改全国配置。

Verification

• 语谱图在 2–8kHz 显示清晰的鸟鸣音节。
• 多段 Top 物种一致（同种或同属）。
• 报告的物种对所述地点与季节合理。

分发与许可

本技能可对外分发，详见 README.md 与 LICENSE（MIT）。模型权重归 BirdNET / 康奈尔鸟类学实验室所有，按其授权使用。